直接使用sift的方法detectAndCompute()分别返回验证图src和模板图model的关键点keypoint和关键点的描述符descripter,此过程可同时完成“Detect”与“Compute”。调用上一步自定义的getNum()方法得到该图片与database中的图片匹配的关键点个数，并将与每个指纹照片的匹配点个数打印出来。目标：捕捉待识别指纹与指纹库（database）中所有指

具体的判定条件，选择合适的区域，根据实际任务。

正则表达式在爬虫技术中使用较多，而爬虫技术是为人工智能服务的，主要用于从网页中获取数据。学习爬虫需要掌握正则表达式，因为它是处理字符串数据的重要工具。Python 中通过re库实现正则表达式功能，需先导入库。

边缘检测是图像处理和计算机视觉中的重要工具，用于检测数字图像中的明显变化、边缘或不连续区域。主要方法包括：Sobel算子、scharr算子，Laplacian算子、Canny算子等。Sobel算子结合高斯平滑和微分求导，通过局部差分计算梯度近似值。包含两组3x3矩阵（横向和纵向模板），分别用于水平和垂直方向的边缘检测。横向检测：用右边像素值减去左边像素值；纵向检测：用下方像素值减去上方像素值。检测

边缘检测是图像处理和计算机视觉中的重要工具，用于检测数字图像中的明显变化、边缘或不连续区域。主要方法包括：Sobel算子、scharr算子，Laplacian算子、Canny算子等。Sobel算子结合高斯平滑和微分求导，通过局部差分计算梯度近似值。包含两组3x3矩阵（横向和纵向模板），分别用于水平和垂直方向的边缘检测。横向检测：用右边像素值减去左边像素值；纵向检测：用下方像素值减去上方像素值。检测

Caffe（2015年）：贾扬清开发，早期主流框架，因缺乏持续更新逐渐被淘汰。TensorFlow（2017年）一版本代码冗长，后被Keras封装简化。二版本优化底层但不兼容一版本，目前仍广泛使用。PyTorch（2018年）Facebook开发，易用性高，支持动态计算图。近年使用率显著上升（约59%），成为大模型开发的主流框架。

经典机器学习（如随机森林、逻辑回归）适用于结构化数据分类，但图像分类效果差（高维数据导致性能下降）。深度学习优势：神经网络模拟人脑神经元连接，适合处理复杂数据（如图像）。辛顿（Hinton）提出神经网络与深度学习，推动AI发展并获得诺贝尔奖。技术演进：经典机器学习→深度学习（2013年后主流）→大模型（当前前沿，多模态发展中）。神经网络的核心是通过矩阵运算求解权重参数（ω），以拟合输入特征（X）与

NumPy是Python中用于科学计算的核心库之一，提供高性能的多维数组对象（ndarray）及工具，适用于数值计算、数据分析和机器学习等领域。

TF-IDF用于从文章中提取核心关键词，由两部分组成：TF（词频）和IDF（逆文档频率）。TF（词频）：某个词在文章中出现的次数除以文章总词数。例如，若“人工智能”在1000词的文章中出现50次，其TF值为0.05。IDF（逆文档频率）：衡量词的区分能力，公式为log(语料库文档总数 / 包含该词的文档数 + 1)。若某词在语料库中罕见，其IDF值较高。TF-IDF 值就是词频与逆文档频率的乘积，